数据中心综合能源系统优化运行研究综述

马晓燕，穆云飞，李树荣，姜欣阳，李华，陈长金

(1. 智能电网教育部重点实验室(天津大学)，天津市300072；2. 国网河北省电力有限公司雄安新区供电公司，河北省雄安新区 071000；3. 国网河北省电力有限公司涉县供电分公司，河北省邯郸市 056400；4. 国网河北省电力有限公司电力培训中心，石家庄市 050000)

0 引 言

社会经济的快速发展和化石能源的大规模开发利用导致资源枯竭、环境污染等问题的日益严重[1-2]，同时传统的能源系统优化和运行局限于电/气/冷/热等单一能源系统内部，且各种能源形式分开且相对独立，这大大限制了能源的综合协调利用，不利于用能能效的提升和节能减排等[3]。如何在确保人类社会能源可持续供应的同时尽量减少环境污染，实现对各类能源的高效利用、清洁转换和互补融合已成为近年来研究的热点。为此，习近平总书记提出了推动能源生产和消费革命、加强国际合作等重要论述，明确要求建设清洁低碳、能源安全、科技创新、扩大开放的现代能源体系。针对上述问题和背景，能源互联网(energy internet，EI)和综合能源系统(integrated energy system，IES)[4-6]的概念应运而生。

EI旨在将能源和互联网深度融合，强调信息流和能量流之间的交互作用，注重多能源系统间的泛在互联[7-8]。IES是EI的物理载体，特指在“规划、建设和运行等过程中，通过对能源的产生、传输、分配、转换、存储、消费等环节进行有机协调与优化后，逐步形成以电力系统为核心，涵盖供电/气/冷/热等能源产供销一体化的复杂系统”[3,6]。IES集电力系统、天然气系统和热力系统等于一体，能够满足多种能量需求，通过多种能源间的科学调度实现对多种能源的综合管理和经济调度，是多能互补、能源梯级利用等理念实现应用的关键，同时它能够提高能源的利用效率、促进可再生能源消纳、缓解环境污染、实现重要用户的不间断供能等[9]。

近年来IES已经得到各国政府和工业界的支持，并已列入美国[10]、欧盟[11]、韩日[12]等发达国家和地区能源发展领域的重点研究方向。国际上的专家学者于2014年成立能源系统集成国际联合研究会以解决IES的协调与优化问题；而中国近年来已从国家层面对IES进行积极探索和研究，2015年7月国务院印发《关于积极推进“互联网+”行动的指导意见》，并提出“互联网+”智慧能源行动的设想[13]。2016年7月，国家发展改革委联合国家能源局发布《关于推进多能互补集成优化示范工程建设的实施意见》[14]，强调了创新管理体制和商业模式，以加快推进示范工程建设，提高能源系统效率，带动有效投资，促进经济稳定增长。2017年10月，国家电网有限公司下发《关于在各省公司开展综合能源服务业务的意见》，同时国家电网有限公司与南方电网公司陆续提出要做强、做优、做大综合能源服务业务，推动公司由电能供应商向综合能源服务商转变。

随着互联网技术的飞速发展，数据中心的规模和数量高速增加，截至2019年年底，我国数据中心机架总规模达到314.5万架，其中大型及超大型数据中心占比达75%[15]。未来以数据中心为应用典型的信息能源耦合IES的物质流、能量流、信息流三流特性各异但高度耦合的特性[16-18]，为IES耦合建模与协同控制带来新的困难与挑战。同时数据中心的机房散热密度高、空调设备不间断运行、服务器等IT设备运行功耗和空调制冷功耗的时变特性[19]，导致机房内部局部过热成为一个比较突出的问题，影响着整个IES的安全稳定运行及能源利用效率[20]。

目前，国内外专家学者对IES开展了详细研究，包括IES的建模、运行、规划设计、优化、评估等。其中IES的优化运行是通过协调控制和优化管理各类分布式可再生能源、分布式储能、分布式冷/热/电联供系统与电网络等的运行特性，以满足用户的用冷/热/电等需求，确保以电网为骨干网的IES运行可靠性，以此有效解决系统的经济、环保和稳定运行问题以及因电/气/冷/热等能源种类多样和数量众多造成的耦合管理等难题[21]，提高系统内部的供电可靠性和电能质量，减少能源在传输和分配过程中的损耗等。但已有研究大多针对某一特定的或假定的IES进行研究，鲜有对基于数据中心的IES运行优化进行系统性的梳理和总结，同时鲜有研究采用IES降低数据中心制冷耗电量的策略。在保证数据中心正常运行前提下，研究基于数据中心的IES优化运行，对于降低制冷设备能耗、提高能源利用效率具有重要意义。

为此，本文针对数据中心IES优化运行这一问题对现有研究进行综述并给出相应思考。在国内外IES相关研究的基础上，本文首先引入IES的典型研究框架以及基于数据中心的IES传统研究框架；其次，总结分析多能源系统中的通用系统建模和含能源集线器的通用建模及扩展建模；然后，对IES及基于数据中心的IES优化运行国内外研究现状进行分析总结，并提出一种多能源输入-多能源耦合-多能源输出的运行方式；最后，梳理当前研究的不足，并对未来基于数据中心的IES建模和运行优化等问题进行展望。

1 基于数据中心的IES研究框架

1.1 IES典型物理架构与设备

IES根据地理因素与电/气/冷/热等各类能源的生产、传输、存储和消费环节特性，分为跨区级、区域级和用户级IES[22]。根据已有研究中各类IES的物理架构[23-24]，现以区域级IES为例总结出图1所示的IES典型物理架构和设备示意。图中将电力、天然气、供冷、供热等多种能源环节相互耦合，通过系统间的有机协调和运行调度，以此实现多种能源的高效利用，提高系统的运行稳定性。

图1 IES典型物理架构与设备示意Fig.1 Typical physical architecture and equipment diagram of IES

如图1所示，根据电/气/冷/热系统间是否存在能流间的相互转化将IES中的设备分为：独立型运行设备(可再生能源和储能设备等)和耦合型运行设备。其中电-气耦合元件为电转气(power to gas，P2G)技术，电-热耦合元件为电锅炉、热泵等，电-冷耦合元件为户用空调、电制冷机、冰蓄冷空调等，电-气-热-冷耦合元件为冷/热/电三联供机组(主要由微型燃气轮机、余热锅炉和吸收式制冷机组成)。通过各类转换元件的相互耦合，各类能源之间可实现能量的相互转换和协调运行。

图2 数据中心用电量分布图Fig.2 Power consumption distribution of data center

1.2 基于数据中心的IES研究框架

数据中心内部含有大量的计算机及电子设备进行不间断的运行，由此产生大量热量。根据美国采暖制冷与空调工程师学会技术委员会9.9统计报告，数据中心用电量分布大致如图2所示[25]，其中空调制冷耗电约占数据中心总耗电量的31%。随着设备的增多，IT设备集成度不断提高，机房内部局部过热问题严重，为保证数据中心的正常运行，需及时排热。数据中心供电系统如图3所示，传统电制冷数据中心

图3 传统电制冷数据中心结构Fig.3 Structure of data center with traditional electric refrigeration

结构采用可再生能源(风力发电、光伏发电)、储能设备及市电满足数据中心的电负荷需求，采用电制冷设备(如空调制冷)满足数据中心的冷负荷需求。

2 IES的稳态建模及组件分析

IES中独立型设备单元生产、传输、存储电能、热能或天然气，相关设备主要包括光伏电池[26]、风力发电机[27]、储能电池[28]、热力管网、天然气管网等，目前对独立型设备单元的建模研究较为成熟。随着多能源供能设备的不断组合，其耦合建模难度增加，连接关系更加复杂。为解决上述问题，有学者提出了能源集线器的概念，以研究IES的通用建模。本节将主要进行IES耦合型设备元件建模和能源枢纽扩展建模。

2.1 IES耦合型设备元件建模

2.1.1 电转气技术模型

P2G技术以一种环境友好的方式通过电-气网络的深度耦合将电能转换为化学能，并以H2或天然气的方式存储。目前各国的研究机构、学者对P2G建模、控制和应用等方面做了很多研究[29-31]。其中文献[31]对电转气进行了精细化建模，模型结构如图4所示，主要包括以下2个过程：

图4 电转气精细化模型结构示意图Fig.4 Structure diagram of refined model of P2G

1)电转氢气。

通过电解水产生H2和O2，生成的H2经压缩机加压进入储氢罐储存，再经压缩机加压后用于燃料电池、工业设计或者交通运输等领域。

2)电转天然气。

在电转氢气基础上，高温高压下经萨巴蒂催化反应将H2和CO2在甲烷反应器合成CH4和水，生成的CH4可直接注入天然气管道供给天然气负荷或参与到燃气轮机的运行中。此处CO2可由碳捕捉技术从大气、电厂尾气或沼气中获取，同时产生的天然气由电能转换而来，因而可削弱可再生能源间歇性的影响[32]。

P2G技术主要包含电解槽、储氢罐和甲烷反应器三部分，相应的通用模型可分别表示为[32-33]：

EEL,H2,t=uEL,e,tf(PEL,e,t/PEL,rated)πEL,rated

(1)

EHT,t=EHT,t-1+EHT,in,t-EHT,out,t

(2)

PM,g,t=ηmEM,H2,t×4HL×1/κ

(3)

式中：EEL,H2,t、PEL,e,t、PEL,rated分别为t时段电解槽产氢量、输入电功率和其电功率额定值；πel,rated为电解槽的额定容量；f(PEL,e,t/PEL,rated)为电解槽效率函数；uEL,e,t为t时段电解槽启动状态二进制变量，uEL,e,t为0或1分别表示电解槽的停机和启动状态；EHT,t、EHT,in,t、EHT,out,t分别为t时段的有效储氢罐储氢量、注入储氢罐的有效氢量和储氢罐的输出氢量；PM,g,t、EM,H2,t分别为t时段甲烷反应器生成的天然气功率和输入甲烷反应器的有效氢量；ηm、HL分别为甲烷反应器的运行效率和天然气低热值；κ为天然气管道每立方米对应的气体质量；4为H2生成天然气的摩尔质量折算系数。

2.1.2 氢燃料电池出力模型

氢燃料电池(fuel cell，FC)是将燃料的化学能转变成电能的分布式电源，它也是气-电耦合设备的典型代表。FC结构简单、寿命长、燃烧成本低、燃料利用率高、工作时无噪音、对环境影响小，其中经由P2G技术产生的H2可供给FC进行发电[34]。氢燃料电池的输出功率可表示为：

PFC,t=PH2,FC,tηH2ηFC

(4)

式中：PFC,t、PH2,FC,t分别为t时刻FC输出的有功功率和消耗的H2功率；ηH2和ηFC分别为FC的H2利用率和发电效率。

2.1.3 电制冷机出力模型

电制冷机(电-冷耦合设备)通过消耗电能来进行制冷[35]，其制冷功率表达式为：

Qele,t=Pele,tηele

(5)

式中：Qele,t为电制冷机的制冷功率；Pele,t为电制冷机消耗的电功率；ηele为电制冷机的能效比。

2.1.4 冰蓄冷空调出力模型

冰蓄冷空调主要包括制冷机和蓄冰槽两部分，有制冷和蓄冰2种运行方式[36]。冰蓄冷装置可以利用夜间低谷电价进行制冰存储在蓄冰槽中，利用白天用电高峰时进行的融冰制冷量满足负荷侧供冷需求。冰蓄冷结构按照制冷机和蓄冰设备的连接情况分为并联式和串联式结构，其中并联式冰蓄冷结构可联合供冷也可单独供冷，制冷机可同时制冰和供冷；串联式冰蓄冷结构中制冷机和蓄冰槽的冷量分布则存在一定的比例关系。以并联式冰蓄冷结构为例，其典型的数学模型如下所示[37-38]：

1)制冷机。

Qref,i,t=Pref,i,tEref,t

(6)

式中：Qref,i,t、Pref,i,t和Eref,t分别为t时段第i个制冷机的制冷功率、电功率和制冷机的制冷能效比。

2)蓄冰槽。

(7)

式中：Stank,i,t为第i个蓄冰槽t时段的蓄冰容量；σtank为蓄冰槽的自损耗系数；Ptank,i,t和Qtank,i,t分别为t时段第i个蓄冰槽的电功率和制冷功率；Etank和ηtank分别为蓄冰槽的制冰能效比和融冰效率；Tref、Tmelt分别为冰蓄冷装置运行在蓄冰和融冰时段。

3)其他。

Qref,i,t+Qtank,i,t=Qice,i,t

(8)

Pref,i,t+Ptank,i,t=Pice,i,t

(9)

(10)

式中：Qice,i,t、Pice,i,t分别为t时段第i个冰蓄冷装置的总制冷功率和电功率。在实际运行中，制冷机和蓄冰槽的供冷量与通过制冷机和蓄冰槽乙二醇溶液的流量有关。

2.1.5 冷热电三联供系统模型

在IES中，电/气/冷/热耦合环节通常是通过冷热电三联供系统(combined cooling, heating and power, CCHP)实现的。CCHP主要以微型燃气轮机(micro turbine, MT) (气-电耦合设备)进行发电，余热锅炉(气-热耦合设备)产生的余热分别经换热器和吸收式制冷机(热-冷耦合设备)来供热和制冷。经由P2G技术产生的CH4可供给CCHP系统进行发电、制热和制冷。CCHP的物理模型[24,39]为：

1)MT出力模型。

MT是将燃料的化学能转化为电能的小型分布式能源系统，通常以天然气为燃料，具有体积小、污染少、可靠性高等性能。其输出功率可表示为：

PMT,t=Pgas,MT,tηgasηMT

(11)

式中：PMT,t、Pgas,MT,t分别为t时刻MT输出的有功功率和消耗的天然气功率；ηgas和ηMT分别为MT的天然气利用率和发电效率。

2)余热锅炉出力模型。

余热锅炉输出的总热功率表达式为：

(12)

余热锅炉供给热负荷的制热功率为：

Qheat,t=QHE,tηHEηhe

(13)

3)吸收式制冷机出力模型。

吸收式制冷机通过利用工业生产过程中MT的余热补足冷负荷需求，所产生的制冷功率为：

Qcold,t=QHE,tηHEηAC

(14)

式中：Qcold,t、ηAC分别为t时刻吸收式制冷机制冷功率输出和制冷能效比。

2.2 能源集线器及其在IES优化运行中的扩展建模

2.2.1 能源集线器

随着电锅炉、微型燃气轮机等供能元件的增加和负荷形式的变化，如何分析IES中的能量转化、分配和存储性质是建模中遇到的主要问题。为此，2007年瑞士苏黎世联邦理工学院Martin Geidl等人发起了名为“未来能源愿景”的项目，提出了能源集线器的概念，即一种描述多能源载体中能源、网络、负荷间转换、调节和存储电、热、冷等多种形式能量的单元[40]。

图5为一个含EH的IES端口模型示意图。无论系统多复杂，都可以表示成多种能源输入-多种能源输出的形式，而EH则用来分析能源转化、传输和分配过程，即EH代表不同能源基础设施与负荷之间的接口，其可通过一个能源耦合矩阵C来描述IES中的供能单元和终端需求的输入输出特性，以此实现对多种能源系统的协调互补，并使得IES的规划、优化等可直接进行分析求解。EH数学表达式和简化表达式分别为：

图5 IES输入-输出端口示意图Fig.5 Schematic of Input-output port for IES

(15)

Lout=CPin

(16)

式中：α,β, …,ω代表不同能源形式(电力、天然气、热能、可再生能源等)；Pin和Lout分别代表不同能源的输入和输出矩阵；Cαβ为第β种能源输出与第α种能源的输入比值。

2.2.2 能源集线器的扩展模型

IES系统中输入侧能源种类多样，耦合关系复杂，目前已有通过对输入侧加入储能装置以对EH模型进行扩展的方法[22]，同时文献[41]对含多种元素的EH建模进行了详细的推广，包括充分考虑储能、需求响应、电动汽车、新能源并网等元素。基于此，本文将在基于数据中心的IES优化中考虑加入储能，同时将耦合矩阵分解为能源分配和能源传输/转化两个步骤。

能源分配表示输入侧的多种能源以一定比例分配到能源传输/转化设备；能源传输/转化指通过不同的途径将输入该设备的能源以一定的转化效率进行转化，最后传输给负荷侧。相应的表达式为：

(17)

(18)

L′out=ηυPin

(19)

式中：vαβ(0≤vαβ≤1)为输入侧能源α分配到转化第β种能源的比例；ηαβ为能源α转化为能源β的效率；v、η分别为分配矩阵和效率矩阵。

当在IES中加入电储能和热储能后，输入侧为多种供能设备P和风、光等独立型运行单元PR；输出端包括数据中心电负荷Le和冷负荷Lc；电储能和热储能能量分别用EEB、EHB表示；储能耦合矩阵分别用SEB、SHB表示。通过耦合矩阵建立的EH扩展模型可表示为：

(20)

综上，EH的通用模型及其扩展模型通过静态转换将多种能源需求和多种能源供给连接，并且可通过优化方法得出满足负荷需求条件下的能源供给方式，因而适用于基于数据中心的IES优化运行。

3 数据中心IES优化运行国内外研究现状

3.1 IES优化运行国内外研究现状

IES优化运行问题通常可抽象为如下表达式：

(21)

式中：Ht、Htrans,t分别为t时刻系统中各能源单元的直接供热功率和转换热功率；Pt+PR,t=Le,t、Ht+Htrans,t=Lc,t分别为电力和热力负荷的等式约束条件；g(Pt,Ht,Htrans,t)≤0为系统的不等式约束条件，通常优化运行中目标函数为经济成本最低、稳定性最高或数据中心制冷降耗最大等。

为实现不同能源间的优势互补、可再生能源消纳、节能减排以及实现IES的经济运行等，针对IES优化调度的相关研究意义重大。按照系统研究对象来分，IES可分为：电-气IES、电-热IES和电-气-热IES。按照最优化研究方法来说，目前研究热点包括：单纯的最优化方法研究、考虑新能源及负荷随机性的概率最优能流和随机最优能流研究。

3.1.1 电-气IES优化运行研究现状

天然气作为一种重要的化石能源，在电力系统中的占比不断增加。天然气资源丰富、易于储存、清洁高效[42]，相较于风、光等可再生能源的间歇性和波动性，天然气可同时为天然气网和电力网持续供能。天然气网络与电力网络有相似的能量流动形式，且与电力网络联系最为紧密，目前对电-气互联IES的研究集中在协调运行层面。

文献[43]研究了电-气互联IES经济调度和优化运行问题。天然气网络的随机性以及运行约束易导致系统优化结果过于乐观，同时新能源的大规模接入会增加电力系统的不确定性，进而电-气互联系统间的相关性也会对优化调度方案产生影响，因此考虑随机因素影响的概率最优潮流受到极大重视[44]。文献[45]计及负荷和风电的不确定性，考虑电力网与天然气网的运行约束以及输入变量间的相关性，采用基于Nataf变换的点估计法进行了电-气互联系统的概率最优潮流计算。文献[46]则考虑风电场出力及电力、天然气负荷的随机性，通过建立基于机会约束规划的电-气互联IES最优潮流模型，并采用基于半不变量法和内点法的启发式算法进行求解，最终表明该模型有助于提高电-气互联IES运行的安全性。但上述研究未考虑风电等可再生能源并网对电-气IES的影响。

针对可再生能源并网问题，目前采用P2G技术将低谷时段难以消纳的风电转化为易于大规模存储的天然气，以此实现电力-天然气网络的深度耦合，从而改善系统运行灵活性和存在的弃风消纳问题[47]。目前文献[31]已对P2G技术进行了精细化建模，但天然气较高的运行成本严重影响了系统运行的经济性。针对上述问题，文献[48-51]分别研究了电转气对电-气互联IES运行的影响、如何提升风电调度的能力、如何解决系统净负荷削峰填谷的问题以及如何兼顾系统运行经济性和风电消纳能力的问题，以此提高风电利用率、降低系统运行成本等，但上述研究均未涉及需求侧响应。

需求响应可引导用户理性用能，合理转移高峰用电以此平移负荷峰谷，从而有效提升电力系统运行效率。目前对电-气IES中引入需求响应正处于初步探索阶段，文献[52]提出了一种考虑需求侧负荷响应及动态天然气潮流的电-气IES优化调度新模型，并通过仿真验证了需求响应所带来的经济性。

同时考虑负荷和风电的不确定性、风电消纳以及需求响应的电-气综合能源系统目前鲜有研究，这是目前亟待解决的问题。

3.1.2 电-热IES优化运行研究现状

除电-气互联外，电-热互联IES中电能和热能是人类生产生活的基本需求，也是该系统的主要能源形式[53]，热系统的传输较慢、惯性较大，其延时效应可等效为系统的储能，特别是当传输规模较大时可为系统提供较大的储能容量，从而提升系统运行的灵活性[32]。现有文献已建立了有关热网的通用模型[54]。

在电-热IES中，传统电热联合调度中“以热定电”的运行模式限制了系统的调节能力，导致弃风现象高发，除利用电-热系统的互补特性提升系统消纳可再生能源的能力外，常采用配置储热或电锅炉的方式解耦“以热定电”的运行方式[55-58]。文献[55]对包含大容量储热的电-热联合系统的国内外研究现状、应用前景和提高消纳能力等关键技术方面做了综述，但缺乏对具体实施方式和应用效果的分析。文献[56]构建了包含储热的热电联产机组和电供热系统的调度模型，将储热纳入包含风电的电力系统有功调度模型，进而以最大化风电消纳为目标，通过算例仿真分析和验证了储热提升风电消纳能力的有效性。文献[57]提出了在热电厂中配置大型电锅炉来解耦热电厂“以热定电”约束以参与风电调峰的运行方案，并对方案的国民经济性和潜在效益进行了分析。文献[58]则将电锅炉和热储相结合进行了风电消纳能力的分析。

文献[59-60]分别考虑热力系统中供热管道传输时间延迟等热动态特性以及用户供热需求的柔性、供热管道动态特性约束和储热装置的模型，建立了包含储热的源-网-荷-储协调优化调度模型和热电联合调度模型，并分别验证了相应模型提高可再生能源消纳能力的水平。除此之外，现有文献[61]采用能量流法来统一电力和热力系统，提出基于能量流的电热IES弃风消纳优化调度模型，并在考虑换热约束的前提下，协调优化电-热IES以实现弃风的大规模消纳。文献[62-63]则从需求侧角度出发，分别考虑了用户舒适性和多种负荷需求响应，建立了电-热分时间尺度平衡的IES运行优化模型和考虑电热多种复合综合需求响应的园区微网IES以提高系统的运行经济性。不仅如此，文献[64]在考虑IES经济性的同时还考虑了传统发电机碳排放对环境的影响问题。

目前综合考虑系统经济运行、环境效益和可再生能源消纳的电-热IES优化调度问题少有研究，这将是未来值得深入研究的问题。

3.1.3 电-气-热IES优化运行研究现状

IES中各类能源转换设备如电锅炉、热泵、冷热电联产装置、天然气等使得电力网-天然气网-热力网相互耦合，以此实现多能源的互动和转换。

目前对于电-气-热IES建模问题集中在静态建模研究。文献[65]提出了集成电-气-热网的能源互联网模型。文献[66]形成了电-气-热系统的综合能量流模型。文献[67]通过不同能源网络间的耦合机制建立了电-气-热综合能源耦合系统模型，同时考虑阶梯碳交易机制建立了经济成本最低的区域IES经济调度模型，并提出了包含能源集线器、热网和天然气网络的优化调度策略，最后采用果蝇优化算法对天津某IES“以电定热”模式、“以热定电”模式和“综合最优”3种模式下的电力、热力和天然气网络进行算例分析，说明了在“综合最优”模式下的总运行成本更小，碳排放更低，同时也验证了果蝇优化算法的有效性。目前对于同时计及热网与气网动态特性的电-气-热互联系统运行优化的研究尚不多见，大部分侧重于两种能流的耦合。如文献[68]提出了一种电-气-热互联系统日前优化调度模型，并将模型转化为线性问题继而利用GAMS软件进行求解，最后通过算例仿真分析证明了计及网络动态特性在IES中的可行性与必要性。

针对风电接入背景下的不确定因素及其相关性，文献[69]建立了电-气-热IES概率最优能量流模型，并采用基于Nataf变换的三点估计法求解模型，以此验证了模型的可行性与有效性。文献[70]则针对风电不确定性提出了一种IES扩展规划方法，并建立以投资、运行、电能不足与弃风成本之和最小为目标的混合整数线性规划模型，进而采用基于场景法的两阶段规划求解策略对模型进行求解分析，再利用GAMS对所建电-气-热IES进行优化求解，所得最优扩展规划结果验证了所提方法的正确性。

综合考虑风电不确定性、不同能源网络的动态特性以及经济、环境等效益的电-气-热IES优化目前鲜有研究，这将是未来值得研究的方向。

3.2 数据中心IES优化运行国内外研究现状

目前一般采用水冷、风冷、液冷、蒸发冷却与机械制冷联合或冰蓄冷空调制冷等制冷方式来降低数据中心内部过热问题，但传统的电制冷或空调制冷等方式严重依赖电网，导致制冷能耗增加，系统运行效率低下，同时当发生大面积断电事故时，将严重威胁数据中心的安全和可靠运行[71]。

目前鲜有对数据中心IES优化运行的研究，但已有采用独立的单分布式能源运用于数据中心，解决数据中心冷负荷和电负荷需求量大的问题。如文献[72]从能源、经济和环境3个方面评估了冷热电联供的性能，表明数据中心可充分发挥冷热电联供的优势。文献[73]采用分布式能源如冷热电联供系统为数据中心制冷，根据冷热电联供系统中余热回收制冷的方式摆脱对电网的依赖性并提高可靠性，同时分布式能源将综合能源进行梯级利用，减少了输电线路的能源损耗。文献[74]采用冰蓄冷空调为数据中心供冷，缓解了电网负荷负担。文献[75]采用基于FC的冷热电联供机组以定功率方式为数据中心供能，以此降低系统运行成本和碳排放，但该数据中心采用的是定负荷运行，与工程应用有一定差距。因目前大多是采用单种类型的分布式电源应用于数据中心或者是定负荷数据中心的运行，这就导致系统运行效率低下，制冷耗电量增加，运行灵活性差、偏差大。

若采用多能源系统作为输入侧，以协调各类分布式可再生能源、分布式冷/热/电联供系统与电网络的运行特性，满足数据中心用冷/热/电的需求，降低系统制冷耗电量和运行成本，理论上可有效解决数据中心内部的局部过热问题。

如图6所示，本文提出采用多能源输入-多能源耦合-多能源输出的运行方式来满足数据中心的冷、电负荷需求，其中电负荷需求由风力发电、光伏发电、微型燃气轮机、燃料电池、储能设备及外界电网来满足，冷负荷需求由户用空调、电制冷机、冰蓄冷装置及热电联产机构中的余热吸收式制冷设备来满足。其中电解槽电解反应产生的H2一部分供给燃料电池，燃料电池可进行发电，发电电量可继续参与电解槽的电解；另一部分H2经过甲烷反应器与CO2反应生成天然气供微型燃气轮机使用，微型燃气轮机再进行发电和制冷制热，发电电量可继续参与电解槽电解，从而形成“两回环”结构。采用上述研究框架原则上可提高电源利用率，因此对于数据中心IES调度优化运行的研究显得尤为重要，这将是未来需要进一步研究的问题。

4 面向数据中心IES优化运行的研究展望

4.1 数据中心的能源供给侧不确定性及冷、电负荷预测研究

IES是由冷、热、电、气等多种能流相互耦合的复杂多变系统，能源供给侧的可再生能源(如风、光等)出力受天气、区域位置等外界条件的影响有很大的间歇性和不确定性；数据中心中的冷、电负荷性质受到机房布局结构、建筑设计性质、机房温度、湿度、照明、建筑材料、通风条件、机器设备台数、用户行为等因素的影响，造成数据中心负荷建模及求解的困难。因此，可再生能源出力和负荷需求的预测精度差。不仅如此，数据中心负荷与供给侧能源的出力具有一定相关性，因此未来在研究数据中心IES优化运行过程中，有必要同时研究可再生能源出力和负荷需求的不确定性以及数据中心的负荷动态变化特性，以提高数据预测精度。

目前对于风电等可再生能源出力的不确定性问题研究通常采用概率潮流和概率最优潮流方法及其改进方法；同时通常采用的负荷预测建模方法为宏观类预测方法(如统计学方法)或微观类预测方法(如物理-统计混合模型)[76-77]，但此类方法因影响因素众多而导致机理复杂，无法准确建立负荷模型，因此有必要研究新兴的深度学习、机器学习等人工智能方法对数据中心进行负荷预测，以在不需要人为干预的情况下，依据历史数据进行自我学习，从而进行有效的负荷预测。

图6 多能源输入-多能源耦合-多能源输出的数据中心IES结构Fig.6 Structure of data center IES with multiple energy input, coupling and output

4.2 IES优化运行中多能源动态模型的构建研究

目前对于IES的建模大多针对特定元件进行稳态研究，而对包含电、气、冷、热等元素的时间尺度等问题考虑较少，虽然部分学者已开始对系统进行动态建模，但大都是对有关CCHP的系统进行研究，而对于冰蓄冷装置、热泵等一些多时间尺度的耦合型设备动态特性和优化特性等缺乏深入研究，同时现有的物理模型无法考察含电、气、冷、热的多能源系统的动态特性和多时间尺度特性，导致在进行有关IES的规划运行等方面遇到众多难题。因此为提高研究精度，有必要构建有关热泵、冰蓄冷装置等耦合设备的动态模型，并开发相应的仿真工具以推进有关IES研究的发展。

4.3 采用人工智能方法的数据中心IES优化调度策略研究

目前存在的IES优化运行策略因受可再生能源波动、通信延时等扰动问题的影响难以实现实时的自动调度运行，因此需要研究如何根据IES中的多能源输入侧数据、多能源耦合模型、数据中心冷电负荷输出侧数据，并利用人工智能方法自动生成优化运行方案，进一步提取相应知识和规则，形成IES优化策略库，以此实现IES在不同时段的实时自动调度策略，这将是未来的重要研究方向。

4.4 数据中心IES优化运行效益评价方法研究

在运用多能源系统调配控制策略解决数据中心的制冷耗电问题时，如何评价系统的经济、环境、社会、投资、能耗效率等效益显得极其重要，但目前对于IES的研究还未建立起适用于系统的综合效益评估理论体系，同时一些效益评价方法如：神经网络算法、概率分析法、蒙特卡洛模拟法等仅限于理论方面的研究，适用于实际落地工程的评价指标和方法均未完全成熟地建立。因此进行适合中国IES发展的效益评价及其研究方法的探索将是值得研究的方向。

5 结 语

在能源危机和环境污染问题日益突出以及我国数据中心规模日益增大、制冷耗电问题日益严重的背景下，数据中心综合能源系统优化运行的研究对于发展经济、保护环境、提高能源利用效率、降低数据中心的制冷耗电等意义重大。本文首先介绍了综合能源系统以及基于数据中心的综合能源系统典型物理框架；进而，根据给定的物理框架，分析了系统中耦合型运行设备的物理建模以及含能源集线器的通用建模和扩展建模；然后，对国内外综合能源系统及基于数据中心的综合能源系统优化运行进行了综述、总结和探讨，提出了多能源输入-多能源耦合-多能源输出的数据中心运行方式；最后，本文对数据中心综合能源系统优化运行研究的重点和难点进行了分析，展望了该方向的几个潜在可研究内容，以期为未来相关的项目落地、仿真研发等研究提供参考。